基于因果熵和复杂网络因果推理的稀疏系统识别方法[J]. 提供了带有说明性示例的 PDF。 有关引文和算法的详细信息，请参阅： •Abd AlRahman R. AlMomani，Jie Sun和Erik Bollt，“熵回归如何克服非线性系统识别中的离群值问题”，Chaos 30，013107（2020年）。

The theory and methods of smoothing have been developed mainly in the last ten years. The intensive interest in smoothing over this last decade had two reasons: statisticians realized that pure parametric thinking in curve estimations often does not meet the need forexibility in data analysis and the development of hardware created the demand for theoryof now computable nonparametric estimates.

Applied Survival Analysis Regression Modeling Of Time To Event Data

y作m次多元式拟合的MATLAB代码机器学习（MATLAB）-Logistic回归 斯坦福大学在Coursera上的机器学习课程。 环境 macOS Catalina（版本10.15.3） MATLAB 2018 b 数据集 ex2data1.txt（一项功能） ex2data2.txt（两个功能） 此仓库中包含的文件 ex2.m-引导您完成练习的Octave / MATLAB脚本 ex2 reg.m-练习的后面部分的Octave / MATLAB脚本 ex2data1.txt-练习的上半部分的训练集 ex2data2.txt-练习的第二部分 Submit.m-将您的解决方案发送到我们的服务器的提交脚本 mapFeature.m-生成多项式特征的函数 plotDecisionBoundary.m-绘制分类器决策边界的函数 [⋆] plotData.m-绘制2D分类数据的函数 [⋆] sigmoid.m-Sigmoid函数 [⋆] costFunction.m-Logistic回归成本函数 [⋆] predict.m-Logistic回归预测函数 [⋆] costFunctionReg.

使用matlab实现贝叶斯向量自回归模型，可用于经济学中的预测

贝叶斯回归 贝叶斯回归的matlab实现

Model selection and estimation in regression with grouped variables

y作m次多元式拟合的MATLAB代码机器学习（MATLAB）-正则化线性回归和偏差/方差 斯坦福大学的机器学习课程。 环境 macOS Catalina（版本10.15.3） MATLAB 2018 b 数据集 ex5data1.mat 此仓库中包含的文件 ex5.m-分步练习的Octave / MATLAB脚本 ex5data1.mat-数据集 Submit.m-将解决方案发送到我们的服务器的提交脚本 featureNormalize.m-功能归一化功能 fmincg.m-函数最小化例程（类似于fminunc） plotFit.m-绘制多项式拟合 sigmoid.m-Sigmoid函数 trainLinearReg.m-使用成本函数训练线性回归 [⋆] linearRegCostFunction.m-正则化线性回归成本函数 [⋆] learningCurve.m-生成学习曲线 [⋆] polyFeatures.m-将数据映射到多项式特征空间 [⋆] validationCurve.m-生成交叉验证曲线 第1部分：正则线性回归 我们将执行正规化线性回归，以利用水库中水位的变化预测从大坝

机器学习回归项目 使用的著名UCI数据集来预测葡萄酒质量。

线性回归 一个简单的线性回归机器学习程序，用Python 3.4编写 依存关系 numpy： ://www.numpy.org/ Docopt： ： 如果按照“安装”下的说明进行操作，则不必手动安装。 安装 获取此存储库中的文件。 例如：git clone 在命令提示符下，导航到此存储库在计算机上的保存位置。 您应该看到文件setup.py。 安装 跑步 > python setup.py install # do not use 'pip install .', this is just a script 您现在应该可以直接运行“ regress.py” 训练集和测试集 regress.py将使用训练集来学习一个权重矩阵，该矩阵将应用于测试集中每个条目的属性，以预测该条目的类别。 它将比较其预测与实际类别，并查看其预测是否正确。 处理完所有条目后，它将报告其总体准确性。